De kenniskloof die AI creëert, is de nieuwe beveiligingskloof. Zo kunt u die dichten.

Techbedrijven doen een bekende gok: dat AI het werk sneller en goedkoper kan doen dan mensen. Hoewel dat in veel gevallen kan kloppen, wordt AI ook gebruikt als een gemakkelijke rechtvaardiging voor ontslagen.

In een rapport dat PwC eerder dit jaar deelde, gaf 56% van de CEO’s aan tot dusver geen noemenswaardige financiële voordelen van hun AI-investeringen te hebben gezien. Slechts 12% meldde zowel kostenbesparingen als omzetgroei door AI. Bovendien bleek uit een onderzoek van het National Bureau of Economic Research uit februari dat bijna 90% van de bedrijven aangaf dat AI de afgelopen drie jaar geen invloed had gehad op de werkgelegenheid of de productiviteit. Dat onderstreept een veelzeggende waarheid: veel organisaties hebben de aanvankelijk beloofde opbrengsten in omzet en productiviteit nog niet gezien. Om hun verliezen te dekken, blijven ze duizenden werknemers ontslaan.

Maar dit wordt niet verteld tijdens de toelichtingen op de financiële resultaten: als u de accountmanager ontslaat die tien jaar aan context over klantrelaties in zijn hoofd heeft, of de QA-engineer wiens institutionele kennis als enige gebreken opspoort voordat ze bij klanten terechtkomen, snijdt u geen overtollig vet weg. U sloopt dragende muren. De kosten van herstelwerk, vertrekkende klanten en daaropvolgende kwaliteitsproblemen verschijnen zelden in dezelfde presentatie waarin de personeelskrimp werd gevierd. Ze worden stilzwijgend verwerkt in latere kwartalen, toegeschreven aan marktomstandigheden en vergeten. De kloof tussen wat door AI gedreven herstructurering belooft en wat die werkelijk oplevert, bestaat, groeit en wordt in veel organisaties nog altijd helemaal niet erkend.

De werkelijke kosten van deze cyclus komen niet op één plek terecht. Ze verspreiden zich over alle teams die na de bezuinigingen overblijven. Ontwikkelaars nemen het werk over van vertrokken engineers en krijgen tegelijkertijd AI-hulpmiddelen die nog te onvolwassen zijn om het verlies aan personeel te compenseren. Productteams verliezen de context die hun plannen verankerde in de werkelijkheid van de klant. Ondersteuningsteams raken overbelast en de kwaliteit van hun antwoorden daalt, terwijl klanten de door AI gegenereerde rommel in de antwoorden op hun vragen meteen herkennen. De last wordt niet geconcentreerd, maar verdeeld. Die spreiding maakt het mede zo gemakkelijk om hem in een kwartaalrapport te negeren. Binnen die bredere spreiding hebben IT-teams echter te maken met een eigen, versterkte versie van het probleem. Ze moeten niet alleen meer doen met minder. Ze moeten snel gebouwde infrastructuur beheren zonder de institutionele kennis die er samenhang aan gaf. Tegelijkertijd verzorgen ze de uitdiensttreding van vertrokken collega’s en de indiensttreding van hun vervangers, terwijl bedrijven stilletjes terugkomen op de bezuinigingen die ze publiekelijk vierden.

Naarmate het jaar vordert en organisaties proberen de beloften van AI waar te maken, moeten we beseffen dat er veel meer dan alleen omzet verloren gaat als menselijke expertise wordt opgeofferd voor efficiëntie door AI. Het goede nieuws is dat u het beste van beide werelden kunt hebben. Daarvoor is wel een praktischere, pragmatische aanpak van AI nodig, met mensen in het hart van uw strategie.

Wat verloren gaat wanneer kennis de deur uitloopt

Cruciale operationele kennis zit in mensen en wordt toegepast via menselijk oordeelsvermogen, niet via systemen. Als die mensen vertrekken, vertrekt die kennis met hen. Hoe geavanceerd het model ook is, AI kan die kloof vandaag niet overbruggen.

Ook nu de mogelijkheden van AI toenemen, creëert automatisering zonder genuanceerde context gevaarlijke blinde vlekken op cruciale terreinen:

• Oordeel en strategie: Intuïtie, institutionele kennis en inzicht in de markt passen niet netjes in datasets, zelfs niet in ongestructureerde datasets.
• Context en situatiebewustzijn: Mensen herkennen nuances en bedoelingen en kunnen omgaan met de grijze gebieden waarin starre regels tekortschieten.
• Empathie en vertrouwen: Momenten met grote gevolgen of een sterke emotionele lading, vooral wanneer er klanten of werknemers bij betrokken zijn, vragen om een mensgerichte reactie.
• Toezicht en verantwoordelijkheid: Iemand moet verantwoordelijk zijn voor het identificeren van fouten, vooroordelen of het voorkomen van misinformatie. Het simpelweg zeggen: “U hebt gelijk, laat me het nog een keer proberen”, na het geven van volledig onjuiste informatie, is niet voldoende.
• Institutioneel geheugen en systeemcontext: Begrijpen waarom teams infrastructuur op een bepaalde manier hebben gebouwd — of juist niet —, wat ze eerder hebben geprobeerd en welke uitzonderingssituaties er bestaan die niemand heeft gedocumenteerd.
• Leiderschap en bestuur: Beleid en risicotolerantie bepalen en ethische grenzen naleven blijft een fundamenteel menselijke verantwoordelijkheid.

AI kan inzichten naar boven brengen, acties aanbevelen en de uitvoering versnellen, maar kan niet het institutionele geheugen vervangen dat rampen voorkomt, of de verantwoordelijkheid dragen waarmee die worden opgemerkt voordat ze uit de hand lopen.

Wat slimme organisaties anders doen

Organisaties die succesvol zijn met AI halen mensen niet uit de vergelijking. Ze gebruiken AI om routinematige, repetitieve processen te stroomlijnen die de dagelijkse bedrijfsvoering stroever maken. Zo krijgen mensen tijd en andere cruciale middelen vrij om nieuwe, creatieve manieren te vinden om meer waarde voor het bedrijf te creëren. Ze gebruiken AI als een hulpmiddel om samen mee op te trekken en menselijke capaciteiten te versterken. Denk aan IT-beheer. Deze teams zijn al overbelast en beheren omvangrijke infrastructuur met beperkte middelen. AI, of misschien specifieker machine learning (ML), kan hier werkelijk waarde toevoegen. AI en ML kunnen routinetaken automatiseren die vroeger veel tijd kostten en waardevolle inhoudelijke specialisten bedolven onder operationeel werk: patches onderzoeken en testen, tickets classificeren, workflows genereren, inventarisaties uitvoeren en risico’s in kaart brengen.

Deze taken vormen de basis van IT-beheer, maar kosten enorm veel tijd. Dat geldt vooral nu de digitale omgevingen van organisaties groeien, het landschap van kwetsbaarheden verandert en werknemers steeds vaker een positieve digitale ervaring verwachten op de apparaten waarmee ze werken. Als teams de basis — het beheren of bewaken van deze mogelijkheden en processen — niet op orde krijgen omdat ze overbelast zijn, zijn de gevolgen ernstig: uitval, niet toegepaste patches, datalekken en beveiligingsincidenten.

Als AI daarentegen goed wordt gebruikt om het werk op deze terreinen te stroomlijnen, krijgt IT-personeel tijd voor wat AI niet kan: technische schuld wegwerken, bestaande systemen en processen verbeteren, de architectuur opnieuw ontwerpen voor meer weerbaarheid en de institutionele kennis behouden die cruciale systemen draaiend houdt. Dat is meer dan efficiëntie alleen: het is risicobeperking. En het legt een steviger fundament voor groei op lange termijn.

AI op de juiste manier invoeren

Organisaties die beginnen met een doordachte toepassing en invoering van AI en tegelijkertijd prioriteit geven aan veilig en effectief gebruik, boeken — en blijven boeken — meer succes met hun AI-strategieën. Optimalisatie komt niet voort uit het schrappen van personeel. Ze komt voort uit investeren in mensen, het opnieuw ontwerpen van workflows en het opleiden van teams om AI zo goed mogelijk te gebruiken.

Dit is eigenlijk niets nieuws. Technologie ontwikkelt zich al honderden jaren via opeenvolgende generatiecycli. Telkens weer hebben we de neiging dezelfde fouten te maken. We slaan door en proberen van een specifieke doorbraak een wondermiddel voor al onze problemen te maken. Er is geen gebrek aan kwakzalvers die misbruik maken van die wanhoop, te veel beloven en verdwijnen voordat de resultaten kunnen worden gemeten. In werkelijkheid kunnen AI en ML doen wat computers altijd al deden: bepaalde taken sneller en nauwkeuriger uitvoeren dan een mens. Wie die kansen vindt en AI pragmatisch toepast om ermee samen te werken, zal snel rendement op de investering zien. In de praktijk betekent dat:

• AI gebruiken om taken met weinig toegevoegde waarde te schrappen, niet menselijk oordeelsvermogen van grote waarde
• Workflows met menselijke betrokkenheid ontwerpen om de risico’s van beslissingen met grote gevolgen te verkleinen
• Duidelijke escalatiepaden vastleggen voor wanneer AI-systemen falen of onzekere resultaten opleveren
• Expliciet verantwoordelijkheid toewijzen voor door AI gestuurde beslissingen
• Teams leren om AI-resultaten kritisch te onderzoeken, in plaats van ze blindelings te accepteren

De werkelijke kosten van een verkeerde aanpak

De huidige cyclus van massale ontslagen in de technologie-industrie, gevolgd door stille heraanwerving, is geen verschuiving van talent. Het is een overdracht van risico. Organisaties ruilen tientallen jaren aan institutioneel geheugen in voor een paar maanden geautomatiseerde snelheid, en IT-leiders moeten de gevolgen dragen.

AI biedt echte voordelen, maar die zijn het grootst als AI wordt gebruikt om expertise te behouden en te versterken, in plaats van die te vervangen. De bedrijven die in het AI-tijdperk blijven floreren, zijn niet de bedrijven die het diepst snijden of de meeste AI-hulpmiddelen inzetten. Het zijn de bedrijven die AI doordacht gebruiken om eentonig werk te automatiseren en menselijke creativiteit, samenwerking en expertise te versterken.

Want wanneer het volgende systeem faalt of de volgende uitval of het volgende cyberincident zich voordoet, wilt u geen robot of machine aan het hoofd van het systeemherstel of de klantcommunicatie. Dan wilt — en hebt — u iemand nodig die over diepgaande historische context en kennis beschikt en nog steeds bij het bedrijf werkt.

Als we het volledige potentieel van AI willen ontsluiten, moeten we ons richten op het gebruik van AI voor de eentonige taken en ophouden AI als excuus voor slechte bedrijfsprestaties te gebruiken.